Modelagem Matemtica do Sistemas de

Temperatura da Planta Didtica de Automao

Industrial SMAR-PD3
Felipe E. M. Cota, Andr G. Torres, Lucas F. Rodrigues, Denilson E. Rodrigues, Ktia S. Moreira
Laboratrio de Controle e Automao
Departamento de Engenharia Eltrica
Universidade Federal de Viosa
36570-000 Viosa MG - Brasil
E-mail: felipe.cota@ufv.br , angoto@ufv.br, lucas.rodrigues@ufv.br, deduardo@ufv.br,ketia@ufv.br
Abstract-

This work aims to make the termic modeling of the SMARS PD3 didatic plant, that

operates with Foundation Fieldbus communication. We can simulate several industrial

processes through this plant because the equipments and tools of physical structure of this
didactic plant are the same equipments and tools used in the factory floor of the industries. For
the system identification it is necessary estimate the equation difference to have the
mathematical model that better describes the thermal behavior of the hot water tank. The data
collection will be done using Process View to make the modeling and the systems identification.
Using these data, we create a planning routine to make the reading and processing.
Resumo - O

presente trabalho tem como objetivo a modelagem trmica da planta didtica PD3 da

SMARS que opera segundo o protocolo de comunicao Foundation Fieldbus. A planta

didtica permite simular diversos processos industriais, pois os equipamentos e ferramentas
que a constitui so os mesmos utilizados no cho de fbrica das indstrias. Para a identificao
do sistema, ser necessrio estimar a equao de diferenas a fim de obter o melhor modelo
matemtico que descreve o comportamento trmico do tanque de gua quente. Os dados
utilizados na modelagem do sistema foram coletados atravs do software ProcessView
fornecido no pacote SMAR. De posse desses dados, criou-se rotinas de programao para
realizar a leitura e o seu processamento.

I. INTRODUO
Modelagem Matemtica e Identificao de Sistemas so

mtodos de aplicaes muito

comuns e extremamente importantes para a cincia e a indstria atuais no que diz respeito ao
entendimento de processos contnuos.
Modelagem Matemtica o processo de obteno de equaes ou grficos que possam
representar, da forma mais fiel possvel, as caractersticas ou comportamentos de um sistema
real. A importncia de se modelar sistemas reais evidenciado no mbito de que os resultados
obtidos podem ser usados para proporcionar um melhor conhecimento sobre tal sistema. Em
um ambiente industrial, a utilidade dos modelos na implementao de equipamentos ou
mquinas est associada realizao de atividades de forma automtica, baseada em tais
equaes matemticas. Esta rea do conhecimento no se limita somente a aplicaes
industriais, sendo tambm utilizada em outras reas, como por exemplo no estudo do meio
ambiente, na medicina, etc.
Identificao de sistemas um procedimento alternativo que se prope a obter um modelo
matemtico que explique, pelo menos em parte e de forma aproximada, a relao de causa e
efeito presente em um banco de dados sem a necessidade de conhecimento prvio da fsica
do processo.
Suponha que o banco de dados disponvel represente a entrada, u(k), e sada, y(k), de um
sistema real qualquer. Em um processo de modelagem e identificao de sistemas
necessrio seguir algumas etapas tais como efetuar os testes dinmicos e coletar os dados,
escolher uma representao matemtica a ser utilizada, determinar a estrutura do modelo,
estimar os parmetros e, por fim, validar o modelo obtido.
O processo de Modelagem Matemtica pode ser

desenvolvido em uma Planta Didtica

SMAR - PD3 cujo objetivo demonstrar didaticamente a operao das diversas malhas de
controle utilizando os mesmos equipamentos e ferramentas de configurao (em software)
aplicados no mbito industrial. Em um arranjo compacto, a PD3 torna acessvel aos instrutores
e aprendizes todos os componentes desta malha, no sendo apenas uma estrutura para ser
observada, mas tambm para ser manipulada. Na implementao destas malhas esto
contidas as mesmas caractersticas e situaes encontradas pelos profissionais de
instrumentao com os recursos da alta tecnologia disponvel no mercado [1].

Neste trabalho ser apresentado a modelagem matemtica do sistema de variao trmica

do tanque de uma Planta Didtica SMAR - PD3 seguindo as etapas supracitadas. Inicialmente,
determina-se a capacitncia trmica e a resistencia trmica do modelo matemtico j obtido
que so utilizados para obter a equao de diferenas e, posteriormente, define-se o melhor
modelo que descreve o sistema em questo.

II. MODELOS MATEMTICOS

Um modelo matemtico de um sistema real um anlogo matemtico que representa
algumas caractersticas observadas em tal sistema [2]. Esses modelos so utilizados para
tentar explicar e entender fenmenos que ocorrem, por exemplo, na natureza, em sistemas
sociais, biomdicos, sistemas de controle e monitorao, estimao, simulao e treinamento.
O problema de elaborar modelos matemticos de sistemas dinmicos baseado em
observaes destes sistemas pode ser entendido como o problema da rea da engenharia de
controle denominada identificao de sistemas [3]. O modelo de um sistema, por sua vez, pode
ser entendido como uma descrio de algumas das propriedades do sistema, adequada a
algum propsito especfico [4]
Uma questo relevante a escolha do tipo de modelo a ser utilizado porque, para uma
escolha adequada, deve-se levar em considarao o objetivo em vista, a sua aplicao, o
processo, as caractersticas do banco de dados bem como o tempo disponvel para
desenvolver o modelo.
As tcnicas clssicas para a identificao de sistemas podem ser divididas em duas grandes
classes: os mtodos no paramtricos e os mtodos paramtricos. O primeiro deles visa
determinar funes de transferncia ou respostas ao impulso atravs de tcnicas diretas, sem
selecionar anteriormente um conjunto de modelos possveis e que no empregam um vetor de
parmetros de dimenso finita de forma direta. Destacam-se nesse mbito a anlise de
transitrios e a anlise de correlao[5].
Em contraste, os modelos denominados paramtricos, selecionam-se a priori um sistema
com um vetor de parmetros . Por fim, dado um vetor de observaes da entrada e sada do
processo, objetiva-se obter os parmetros do modelo que melhor descrevem o processo [5].
A fim de desenvolver um modelo aproximado durante a modelagem do sistema trmico
apresentado neste trabalho foi utilizado a correlao cruzada, o modelo ARX utilizando o

mtodo dos Mnimos quadrados (MMQ), o Estimador Recursivo de Mnimos quadrados com e
sem fator de esquecimento.
Em uma coleta de dados, em qualquer experimento real, haver a presena de ruidos. O
mtodo da correlao cruzada um mtodo estocstico que apresenta um certo grau de
robustez ao rudo. Esse procedimento se refere a medida da relao entre uma entrada,
quando aplicada a um processo ergdico, e uma sada do sistema. Sabe-se ento que a parte
determinstica do sinal que contm a informao sobre a dinmica do processo preservado
na sada porque os efeitos do rudo tedem a se cancelar uma vez que o rudo no apresenta
uma tendncia.
A estrutura de auto-regresso (ARX) leva em considerao as entradas do processo. Este
modelo faz uso da auto-regresso e da varivel exgena B.u(t), motivo pelo qual conhecido
como ARX. Um modelo desta natureza o mostrado a seguir.
=

(1)

() = 1. 1 + + .

(2)

() = 1. 1 + + .

(3)

onde A(q) e B(q) so os polinmios que contm, respectivamente, os plos e os zeros do

sistema, q operador de atraso; ny e nu so os maiores atrasos dos polinmios A(q) e B(q).
O Mtodo dos Mnimos Quadrados uma tcnica de otimizao matemtica que procura o
melhor ajustamento do conjunto de dados tentando sempre minimizar a soma dos quadrados
das diferenas entre a curva ajustada e os dados.
J o Estimador Recursivo de Mnimos Quadrados (RMMQ), por sua vez, uma verso mais
sofisticada do Mtodo dos Mnimos Quadrados onde pode-se usar a seguinte relao:
= [] 1

(4)

onde x a entrada , y a sada e o vetor de parmetros a serem identificados.

Se o sistema a ser identificado variar no tempo necessrio fornecer ao algoritmo de
mnimos quadrados uma capacidade de ponderao diferenciada para as observaes,
fazendo com que as ltimas medidas tenham uma maior importncia. Isso porque elas contm
informaes mais atualizadas e precisam ter maior influncia na estimao dos parmetros. O
algoritmo dos RMMQ padro minimiza o funcional e pondera cada erro de estimao
igualmente. Para ponderar mais as informaes mais recentes, toma-se como ponto de partida
a equao 03,

 = 1

(5)

onde o vetor de regressores e o vetor que contm os parmetros a serem identificados.

O algoritmo de Estimao Recursiva de Mnimos Quadrados com fator de esquecimento
apresenta a seguinte forma [2]:
=

1
1 +

= 1 + [ 1 ]
=

1 1
1 +

(6)
(7)
(8)

onde chamado de fator de esquecimento, K o ganho Kalman, o vetor de parmetros

estimado na iterao k , a matriz de coverincia e o vetor de regressores . Se = 1,
tem-se o RMMQ padro. Na prtica usa-se valores na faixa 0,95 0,99. Deste modo, as
medidas antigas so exponencialmente esquecidas e uma maior nfase atribuda aos
valores mais recentes.

III. PLANTA DIDTICA SMAR - PD3

A Planta Didtica Smar monitorada e operada de uma estao, constituda de um
microcomputador do tipo PC e um software de superviso, que efetua a aquisio de dados
dos equipamentos e o apresenta uma animaes do processo corrente. Alm disso, permite
tambm atuar nos registros modificando valores internos dos equipamentos e nos modos
operacionais das malhas de controle.
O Syscon - Configurador de Sistema uma ferramenta de software desenvolvida
especialmente para fazer a configurao, manuteno e operao da linha de produtos
Fieldbus da Smar, atravs de um computador pessoal com uma interface Fieldbus. Com uma
IHM (Interface Homem-Mquina) amigvel, o SYSCON proporciona uma interao produtiva e
eficiente com o usurio, sem a necessidade de conhecimento prvio do software[1].
Os instrumentos Fieldbus utilizados durante o processo de modelagem foi o seguinte:
FI302 Conversor de Corrente Fieldbus para 4 20 mA (comanda a corrente aplicada no
conversor de potncia)
TT302 Transmissor de Temperatura (mede a temperatura do tanque de mistura)
LD302 Transmissor de Vazo (mede as vazes de gua quente e fria)

O sistema de superviso ProcessView instalado no microcomputador do tipo PC o software

do pacote Smar que permite monitorar e atuar no sistema em funcionamento. Esse software
disponibiliza ferramentas de criao de telas de sintico, registros grficos, tratamento de
alarmes, relatrios, bancos de dados, transferncia de informaes para outros aplicativos,
visualizao em mltiplos monitores, dentre outras caractersticas.

IV. MODELAGEM DO PROCESSO

Esta seo apresenta a modelagem matemtica aplicada planta piloto da fig. 1:

Fig. 1 Planta didtica SMAR PD3: (1) Tanque de gua quente; (2) e (3) Resistncias de 4KW; (4) Vlvula pneumtica de controle de vazo; (5) Termopar
;(6) Sada de gua.

A modelagem do processo foi realizada em malha fechada aplicando no conversor de

potncia o sinal degrau de corrente no valor de 20 mA durante um determinado tempo. Este
sinal foi convertido em um sinal degrau no valor mximo de potncia, 8 KW, que pode ser

aplicado no sistema respeitando o mesmo intervalo de tempo do degrau aplicado no conversor.

Mediu-se ento a curva de resposta da temperatura durante o processo de aquecimento do
tanque de gua quente como tambm a curva de resposta da temperatura durante o processo
de resfriamento para a vazo zero sem que houvesse interrupo no processo.

Fig. 2- Croqui do modelo trmico

A partir do ensaio de vazo zero, obtemos os valores experimentais da capacitncia trmica

e da resistncia trmica do tanque. Com esses valores definimos o modelo matemtico a ser
utilizado:
Para obter um melhor modelo que descreve o sistema em questo realizou-se algumas
simulaes para vazes diferentes, sendo que em cada simulao a vazo era mantida
constante. O valor da capacitncia trmica foi estimado pelo ensaio de vazo zero e
comparado com o valor terico encontrado. Esse valor foi mantido constante durante todas as
simulaes realizadas.
O valor estimado teoricamente da capacitncia trmica foi estimado utilizando a equao 9.
= .

(9)

onde m a massa de gua em Kg e c o calor especfico da gua em J kg .

Para estimarmos o valor terico da resistncia trmica em cada simulao utilizamos o
diagrama de blocos da fig. 3:

Fig. 3 Diagrama de Blocos

Da fig. 03, obtem-se a seguite funo de transferncia,


.
+ 1

(10)

onde u(s) a entrada aplicada e y(s) a sada do sistema.

Aplicando em (10) a transformao bilinear a seguir
=

21
+1

(11)

com T = 1 s , que o tempo de amostragem, obtem-se

=

2 1 1

+
1
2 + 1
2 + 1

2 + 1

(12)

Como a transformada inversa de z-1f(z) fornece f(k-1), onde z-1 funciona como um operador
backward shift, a equao de diferenas do sistema assume a seguinte forma:
= 1 1 + 2 1 + 3

(13)

onde
2 1
2 + 1

2 =
2 + 1

3 =
2 + 1
1 =

(14)
(15)
(16)

sendo 1, 2 e 3 os coeficientes de atraso da sada e entradas.

O algoritmo da equao de diferenas o modelo matemtico que ser utilizado para
representar, de forma aproximada, o sistema de variao trmica do tanque de uma Planta
Didtica SMAR - PD3.

V. O MODELO PROPOSTO
O valor da resistncia trmica foi calculado a partir do modelo matemtico proposto
utilizando os coeficientes de atraso

que foram encontrados na simulao. Tais valores

encontram-se na tabela 1:
TABELA 1
COEFICIENTES DE ATRAZO
*Vazo
(l/h)
0
48,8
100,5

Coeficientes de Atraso
1
2
3
(x 10-5) (x 10-5)
0,9999 0,5721 0,5274
0,9990 1,1339 0,3418
0,9984 1,2969 1,1667

149,92
193,53
400,08
611,3
832,45
997,2
1206,5
1405,2

0,9973
0,9965
0,9943
0,9914
0,9931
0,9914
0,9908
0,9896

1,5237 4,1351
1,1612 -0,0544
1,2508 5,3937
1,0926 0,2821
0,7094 0,1362
0,7814 0,0083
0,7732 -0,0562
0,6215 0,0674

*Controle de vazo realizado manualmente

Usando os valores da Tabela 01 determinou-se os valores da resistncia trmica e dos

coeficientes trmicos G0 (vazo zero) e G conforme representado na figura 02 sendo

0 =
=

1
0

(17)

1
0

(18)

Com os resultados dos ensaios e das simulaes foi realizado uma investigao da
modelagem matemtica. Essa investigao consiste em comparar os resultados obtidos
usando o modelo matemtico com a resposta do sistema real alcanada durante os ensaios
para cada vazo.
Os valores de R e G esto representados na tabela 2:
TABELA 2
VALORES USADOS NO DIAGRAMA DE BLOCOS DA SIMULAO

Vazo
(l/h)
0
48,8
100,5
149,92
193,53
400,08
611,3
832,45
997,2
1206,5
1405,2

89000
89000
89000
89000
89000
89000
89000
89000
89000
89000
89000

G
.

0,185000
5,40540
0,017500 51,73746
0,012000 77,92793
0,007500 127,92793
0,004850 200,78016
0,002200 449,14005
0,001650 600,65520
0,001200 827,92793
0,000920 1081,55112
0,000765 1301,78414
0,000670 1487,13191

Os grficos abaixo mostram a investigao realizada de acordo com as vazes:

Fig. 4 Vazo 00 l/h

Fig. 5 Vazo 600 l/h

Fig. 6 Vazo 1400 l/h

Ao analisar as fig. 4, 5 e 6 percebe-se que a resposta do modelo matemtico aproxima-se

dos dados do sistema real. Porm, quo geral esse modelo? Ser que ele vlido para uma
situao qualquer diferente das situaes que foram apresentadas nos fig. 4, 5 e 6?
Para responder as questes levantadas torna-se necessrio validar o modelo proposto.
Sendo assim, ser garantido a veracidade do modelo. Para isso, deve-se simular o modelo
sem qualquer ajuste adicional e compar-lo a dados coletados em testes diferentes daqueles
usados no desenvolvimento e sintonia do modelo.
Seguindo essas orientaes, realizou-se uma nova bateria de ensaios onde foram aplicados
valores de entrada que se diferenciavam daquelas j utilizadas na sintonia do modelo. Ento,
sem novos ajustes em sua sintonia, esperava-se que o modelo matemtico apresentasse uma
resposta eficiente de tal forma que o seu comportamento fosse semelhante mesma tendncia
de resposta do sistema real. Sendo assim, comprovou-se a veracidade do modelo porque os
resultados demonstraram-se satisfatrios conforme podem ser observados nas fig. 7, 8 e 9:

Fig. 7 Validao Vazo 0 l/h

Fig. 8 Validao Vazo 600 l/h

Fig. 9 Validao Vazo 1400 l/h

Durante a coleta dos dados, tanto para a investigao da modelagem matemtica quanto
para a validao do modelo proposto, os ensaios realizados em uma vazo igual a 600 l/h
foram os que apresententaram maior interferncia de rudo. Essa anlise comprovada ao
realizar uma comparao entre as fig. 5 e 8(referentes a vazo de 600 l/h ) com as demais.

VI. CONCLUSO
A Modelagem Matemtica livre e espontnea. Ela surge da necessidade do homem em
compreender os fenmenos que o cercam para interferir ou no em seu processo de
construo.
Neste trabalho foram apresentados os resultados obtidos a partir da modelagem matemtica
do sistema de variao trmica do tanque de uma Planta Didtica SMAR - PD3 respeitando as
etapas pr-definidas anteriormente.
Na coleta de dados, a presena de rudos no comprometeu o desenvolvimento do trabalho
pois quando aplicado a correlao cruzada percebe-se uma elevada relao entre a entrada e
a sada. Essa correlao pode ser exemplificada pela tabela 3:
TABELA 3
CORRELAO CRUZADA

VAZO
(l/h)
0
48,8
100,5

Entrada
real
X
Sada
real
0.935
0.945
0.934

sada real x sada estimada

MMQ RMMQ
RMMQ
Com fator de
ARX
esquecimento
0.994
0.995
0.934

0.995
0.945
0.975

0.874
0.854
0.934

149,92
193,53
400,08
611,3
832,45
997,2
1206,5
1405,2

0.934
0.975
0.945
0.925
0.934
0.945
0.935
0.975

0.975
0.995
0.945
0.975
0.995
0.945
0.945
0.975

0.934
0.975
0.934
0.945
0.995
0.945
0.975
0.934

0.865
0.945
0.925
0.865
0.912
0.995
0.865
0.854

Evidenciado que existiu uma boa correlao cruzada para o banco de dados de cada
simulao,

realizouse um comparativo entre o desempenho das tcnicas de modelagem

aplicadas. Os resultados esto apresentados nos fig. 10, 11e 12:

Fig. 10 Modelos para vazo 00 l/h

Fig. 11 Modelos para vazo 600 l/h

Fig. 12 Modelos para vazo 1400 l/h

A partir dos resultados obtidos utilizando os modelos propostos comprova-se que as tcnicas
aplicadas foram satisfatrias. Portanto, as tcnicas de modelagem matemtica abordadas
neste trabalho foram vlidas, sendo que o modelo proposto mostrou-se eficiente para
representar o sistema fsico.

VII. REFERENCIAS
[1]

Departamento de Engenharia de Aplicaes, Manual Planta Didtica III, Documento Interno

SMAR,2004.

[2] AGUIRRE,L. A., Introduo Identificao de Sistemas, 2 Edio, Belo Horizonte: Editora
UFMG,2004.
[3] GARCIA, C. Modelagem e simulao de processos industriais e de sistemas eletromecnicos.
EDUSP. So Paulo, 1997.
[4] LJUNG, L.,System Identification - Theory For the User. 2nd ed, PTR Prentice Hall, Upper Saddle
River, N.J., 1999.
[5] SIMOES,A. S. Regresso e predio de trajetrias: um comparativo das tcnicas clssicas e sua
aplicao para a viso computacional no domnio do futebol de robs. Departamento de Engenharia
de Computao e Sistemas Digitais.USP. So Paulo, 1998.
[6] CONCER, G. M., Corradi, F. Controle de um Processo com Compensao de Atraso Utilizando o
Nvel Fieldbus H1, Universidade Federal de Santa Catarina, Documento Interno, 2004.
[7] OGATA, K. , Engenharia de Controle Moderno, 4 Edio, So Paulo: Prentice Hall, 2003.
[8] BERG, R T., Estimation and Prediction for Manueuveing Target Trajectories. In: IEEE Trans.
Automat. Contr., vol AC-28, pp 294-304, Mar. 1983.
[9] PONS, J. C. Identificao e controle de sistemas dinmicos com redes neurais. Dissertao de
mestrado. EPUSP. So Paulo, 1998.
[10] Hung, E. S., Generating Efficient dynamical models for microelectromechanical systems from few
finiteelement simulations run, IEEE Journal of Microelectromechanical Systems, vol. 8, pp. 280-289,
(1999).
[11]

Belloquim, A. Modelagem de Software: Ontem, hoje e amanh. Rio de Janeiro, Developers

Magazine, junho 2002.

[12] Ben-Shaul I. Z.; Kaiser G. E. A paradigm for decentralized process modeling and its realization in
the oz environment. IEEE, 179-188, 1994.
[13] Cereja Junior, M. G.; SantAnna, N.; Borrego Filho, L. F.; Luque, L.; Casilo, B. H. Modelando um
Processo de Gesto de Problemas em Projeto UML e PML uma Explorao de Abordagens para a
Modelagem de Processos. Recife, SIMPROS Simpsio Internacional de Melhoria de Processos de
Software, 2002.

[14] Georgakopoulos, D.; Hornick, M. An Overview of Workflow Management: From Process Modeling
to Workflow Automation Infrastructure. Boston, Distributed and Parallel Databases, v.3, 119-153,
1995
[15]

Schleicher, A.; Westfechtel, B.; Jger, D. Modeling Dynamic Software Process in UML.

Germany, Technical Report AIB 98-11, RWTH Aachen, 1998.

[16] Haykin
[17] Oppherainy